Hola! Llevo varias horas intentando alcanzar el accuracy del 60% mínimo que nos piden. En este sentido, y después de probar infinitas variaciones, nunca obtuve un accuracy mayor al 30% y decidí investigar un poco más.
Al parecer, según la documentación y distintos foros, la función de pérdida "binary_crossentropy" solo se utiliza en problemas de clasificación binarios, y aunque nuestro problema consta de 4 clases, el enunciado insiste en que se utilice dicha función. En consecuencia, si se intenta utilizar la función que corresponde para este tipo de problemas, es decir "categorical_crossentropy", también es necesario modificar la construcción del vector "y", ya no como un vector de dimensiones n x 1 como sugiere el enunciado, sino como una matriz de dimensiones n x 4 (dado que son 4 clases) de la forma "one hot".
Quizá todo esto se pueda "inferir", pero por como se presenta el enunciado creo que se presta para confusiones y quizá hayan otros compañeros en mi situación.
Saludos
Hola! Llevo varias horas intentando alcanzar el accuracy del 60% mínimo que nos piden. En este sentido, y después de probar infinitas variaciones, nunca obtuve un accuracy mayor al 30% y decidí investigar un poco más.
Al parecer, según la documentación y distintos foros, la función de pérdida "binary_crossentropy" solo se utiliza en problemas de clasificación binarios, y aunque nuestro problema consta de 4 clases, el enunciado insiste en que se utilice dicha función. En consecuencia, si se intenta utilizar la función que corresponde para este tipo de problemas, es decir "categorical_crossentropy", también es necesario modificar la construcción del vector "y", ya no como un vector de dimensiones n x 1 como sugiere el enunciado, sino como una matriz de dimensiones n x 4 (dado que son 4 clases) de la forma "one hot".
Quizá todo esto se pueda "inferir", pero por como se presenta el enunciado creo que se presta para confusiones y quizá hayan otros compañeros en mi situación.
Saludos